20904

۲۰۹۰۴

پيش‌بيني ورشكستگي شركت‌ها با شبكه‌عصبي بهبوديافته با الگوريتم بهينه‌سازي وال (با رويكرد الگوريتم ژنتيك در انتخاب ورودي)

كارشناسي ارشد

نرم افزار

۱۳۹۴

۱۳۹۷/۱۲/۸

دكتر بهروز مينايي

كامپيوتر

ورشكستگي شركت‌ها در يك دورنماي كلي تأثيرات مخربي بر اقتصاد يك كشور دارد كه مي‌توان با پيش‌بيني آن از هدر رفتن ثروت ملي در قالب سرمايه‌هاي فيزيكي و انساني و آثار آن جلوگيري كرد. ارائه يك الگوريتم كارآمد براي آموزش شبكه‌هاي عصبي همواره يك بحث چالش‌برانگيز بوده است و همچنان ادامه دارد. هدف ما در اين تحقيق ارائه يك تركيب جديد از نقاط قوت الگوريتم بهينه‌سازي نهنگ(WOA) و جستجوي ممنوعه به‌منظور ارائه يك الگوريتم مؤثر و بهينه براي آموزش شبكه‌هاي عصبي پيشرو(FNN) و درنهايت تهيه يك مدل كارآمد براي پيش‌بيني ورشكستگي بوده است. WOA يك الگوريتم جمعيت محور است كه در سال‌هاي اخير ارائه‌شده است و رفتار شكار در نهنگ‌هاي كوهان‌دار را شبيه‌سازي مي‌كند. پياده‌سازي اين الگوريتم آسان و به خاطر استفاده از معادله لگاريتمي مارپيچي فضاي مسئله را به‌خوبي پوشش مي‌دهد. الگوريتم جستجوي ممنوعه كه مبتني بر يك جواب است براي افزايش قابليت بهره‌وري در WOA به كار مي‌رود. نمونه موردبررسي شامل 110 شركت است كه در سال‌هاي 1388-1396 عضو بورس اوراق بهادار تهران بوده‌اند. براي تائيد عملكرد الگوريتم پيشنهادي از 5 مجموعه‌داده‌ي استاندارد از مخزن UCI استفاده‌شده است. همچنين به‌منظور اثبات برتري روش پيشنهادي نتايج حاصل از اجرا با 5 الگوريتم ديگر مقايسه شده است و نتايج تجربي نشان مي‌دهند كه در مقايسه با ساير روش‌ها عملكرد بهتري در آموزش FNN ارائه مي¬دهد.

1398/04/19

Bankruptcy Prediction of Firms using of Improved Neural Network with Whale Optimization Algorithm (Approach of the Genetic Algorithm in the Input Selection)

7/10/2019 12:00:00 AM

In a general perspective, the bankruptcy of firms has devastating effects on the economy of a country which its prediction can prevent the wasting of national wealth in the form of physical and human capital and its effects. The machine learning techniques are increasingly being developed to improve the prediction of bankruptcy. In this research, a new hybrid of whale optimization algorithm (WOA) and tabu search in order to enhance the exploration and exploitation abilities was used to present a satisfactory and efficient training algorithm for feedforward neural networks (FNNs). WOA is a recently developed swarm-based optimization algorithm inspired by the hunting behavior of humpback whales. It has been shown to be powerful in exploration the search space for an optimal solution. Tabu search algorithm (TSA) is to enhance the exploitation by searching the most promising regions located by WOA. The sample under study consists of 110 firms that have been selected from the Tehran stock exchange from 2009 to 2017. To investigate the performance of the proposed algorithm, four benchmark problems from the UCI repository datasets are used and the results are compared with those obtained from FNNs trained by 5 metaheuristic algorithms. The experimental results show that it performs better than other algorithms for training FNNs in terms of convergence speed, accuracy, and reliability.